【IF=9.1】赛维森「影+病」多模态AI革新乳腺癌术后评估

乳腺癌术后复发风险评估和辅助治疗决策一直是临床难题。乳腺癌具有高复发率和生物学异质性，单一的病理或影像特征难以准确预测预后。因此，亟需开发基于多模态数据的智能化方法，将影像、病理和临床信息融合，以提升风险分层和治疗决策的精准度。

在此背景下，赛维森（CellsVision）携手中山大学孙逸仙纪念医院，联合多个医疗中心团队开展了基于MRI多模态数据的人工智能研究，探索融合影像与临床病理数据的智能化预测新路径，研究成果在国际权威期刊Pharmacological Research（IF=9.1，JCR Q1区）在线发表，题为"MRI-Based Multimodal AI Model Enables Prediction of Recurrence Risk and Adjuvant Therapy in Breast Cancer”。

研究团队开发并验证了一种基于3D多模态MRI的深度学习系统——3D-MMR模型。该模型融合了对比增强T1序列（T1+C）和T2序列MRI影像，以及11项关键临床病理变量（包括淋巴血管侵犯（LVI）、pTNM分期、分子分型、ER/PR/HER2状态、Ki-67表达等），实现了肿瘤自动分割和术后无病生存期（DFS）预测的双任务学习，彼此协同优化。

图1（Fig. 1）：深度多模态学习模型结构示意，对MRI影像和临床病理特征进行多通道提取并在融合分类器中整合

模型在多中心队列（共1199例非转移性乳腺癌患者）中获得验证。与仅使用MRI影像的模型相比，3D-MMR模型在训练集、内部验证集和两个外部测试集中均显著提高了风险分层能力。例如，该模型能够清晰区分高风险组与低风险组患者的DFS差异（见下图），其中外部验证集的AUC高达0.94，表现极为优异。

图2（Fig. 2）：Kaplan-Meier生存曲线示意，高风险组（红色）与低风险组（蓝色）患者的无病生存率差异显著

研究还借助可视化的Grad-CAM（梯度加权类激活映射）技术，探索了深度学习网络的“决策依据”。通过对MRI影像特征图的反向追踪，研究者观察到模型在进行DFS风险预测时所聚焦的区域具有高度生物学相关性：高风险患者的激活热区往往分布于肿瘤边缘及其周围组织，而低风险患者则集中于肿瘤内部，提示模型可能捕捉到与复发风险相关的肿瘤微环境（TME）区域特征。

进一步结合RNA-seq数据分析，影像高关注区域对应的患者在抗原呈递、免疫细胞浸润（如树突状细胞、NK细胞）等通路上存在显著差异，强化了模型“影像热点”与TME状态之间的潜在联系。这一发现不仅提升了模型的可解释性，也为影像组学与肿瘤分子生物学之间的桥接提供了新视角。

图3（Fig. 5）：展示了3位代表性患者在DenseNet各网络层的Grad-CAM热力图，直观体现了模型在不同风险等级患者MRI图像上的注意力分布模式

3D-MMR模型可辅助识别术后乳腺癌患者中的高风险群体，助力医生在术后早期制定个体化辅助治疗方案；同时通过多模态数据融合，推动了精准医疗的临床应用，填补了临床空白。

未来，该模型有望进一步整合更多生物标志物和多中心大数据，持续优化预测精度，为乳腺癌患者提供更精准的复发风险评估与治疗建议，引领智能辅助诊疗新方向。

本研究中，赛维森提供了关键技术支撑：

模型构建与优化：参与多模态深度学习模型的设计和开发，通过优化网络结构和训练策略，提升模型性能和训练效率。

可视化平台开发：开发了AI可视化分析平台，实现了Grad-CAM热力图等结果的直观展示，便于科研和临床人员理解模型决策。

AI训练框架优化：为大规模多中心数据的模型训练提供了高效的训练框架和算力支持，加速了模型迭代与验证。

参考文献：Yu Y, Ren W, Mao L, et al. MRI-Based Multimodal AI Model Enables Prediction of Recurrence Risk and Adjuvant Therapy in Breast Cancer[J]. Pharmacological Research, 2025: 107765. DOI: 10.1016/j.phrs.2025.107765